暴雨灾害下机场基础设施网络韧性恢复策略

黄信; 杨立志; 张永康; 吴堃; 齐麟; 陈宇

doi:10.13700/j.bh.1001-5965.2024.0396

暴雨灾害下机场基础设施网络韧性恢复策略

doi: 10.13700/j.bh.1001-5965.2024.0396

中国民航大学交通科学与工程学院，天津 300300

基金项目:

国家重点研发计划(2021YFB2600500); 中国民航大学科研启动基金(2020KYQD40)

详细信息

通讯作者:
E-mail：x_huang@cauc.edu.cn

中图分类号: U8；V351
计量
- 文章访问数: 530
- HTML全文浏览量: 153
- PDF下载量: 16
- 被引次数: 0
出版历程
- 收稿日期: 2024-06-05
- 录用日期: 2024-07-19
- 网络出版日期: 2024-07-30
- 整期出版日期: 2026-07-31

Resilience recovery strategy of airport infrastructure network under rainstorm disasters

School of Transportation Science and Engineering，Civil Aviation University of China，Tianjin 300300，China

Funds:

National Key Research and Development Program of China (2021YFB2600500); Research Initiation Fund of Civil Aviation University of China (2020KYQD40)

More Information

Corresponding author: E-mail：x_huang@cauc.edu.cn

摘要

摘要:
为提升暴雨灾害下机场基础设施网络抗灾韧性，考虑机场基础设施功能特征，建立机场基础设施网络拓扑模型，分析机场基础设施复杂网络特性；引入机场节点之间的航班数量和载客量及航线距离构建网络模型服务效率函数，通过节点失效前后网络模型服务效率变化定义机场节点的重要度指标，对网络中的关键节点进行识别；基于韧性三角形理论构建机场基础设施网络韧性恢复模型，研究暴雨灾害下关键机场节点、关键区域机场节点和多区域机场节点失效情景的机场节点恢复次序及最优策略。研究结果表明：所建模型整体结构呈现为小世界网络，表现为高集聚性；对整体网络服务效率影响较大的5个关键机场节点为广州白云机场、北京首都机场、深圳宝安机场、杭州萧山机场和上海虹桥机场；相对于基于重要度和基于节点度的恢复策略而言，基于网络韧性恢复策略的恢复效果最好，如关键节点失效场景下基于节点度和重要度恢复策略的网络韧性值分别为0.889和0.907，而基于网络韧性恢复策略的韧性值为0.915；相对于华北和西南区域机场节点而言，华东区域机场节点失效对机场基础设施网络运行效率的影响更大。
- 航空运输 /
- 机场基础设施网络 /
- 暴雨灾害 /
- 复杂网络理论 /
- 机场网络抗灾韧性 /
- 韧性恢复策略
Abstract:
To improve the resilience of the airport infrastructure network under rainstorm disaster, the airport infrastructure network topology model is established by considering the functional characteristics of airport infrastructure, and the complex network characteristics of airport infrastructure are analyzed. The service efficiency function of the airport network model is constructed by introducing the number of flights, passenger capacity and route distance between the airport nodes. The relevance index of the airport nodes is determined by comparing the network model service effectiveness before and after the airport node failure in order to identify the important airport nodes in the network. The resilience triangle theory serves as the foundation for the resilience recovery model of the airport infrastructure network, which is designed to investigate the best practices and recovery order for airport nodes in the event of failure for major airport nodes, major regional airport nodes, and multi-regional airport nodes during rainstorm disasters. The results show that the established model is presented as a small-world network, which is characterized by high agglomeration. The five key airport nodes that have a greater impact on the network service efficiency are Guangzhou Baiyun Airport, Beijing Capital Airport, Shenzhen Baoan Airport, Hangzhou Xiaoshan Airport and Shanghai Hongqiao Airport. Compared with the recovery strategy based on importance degree and node degree, the recovery strategy based on network resilience has the best recovery effect, such as the network resilience value based on node degree and importance degree under the key airport nodes failure is 0.889, 0.907, while the resilience value based on the network resilience recovery strategy is 0.915. Compared with the airport nodes in North China and Southwest China, the failure of the airport nodes in East China has a greater impact on the operation efficiency of airport infrastructure network.
- air transport /
- airport infrastructure networks /
- rainstorm disaster /
- complex network theory /
- airport network resilience to disasters /
- resilience recovery strategy

HTML全文

图 1 机场基础设施网络节点连通

Figure 1. Airport infrastructure network node connectivity

下载: 全尺寸图片幻灯片

图 2 机场网络节点度值分布

Figure 2. Distribution of airport network node degree

下载: 全尺寸图片幻灯片

图 3 机场网络节点度分布函数

Figure 3. Airport network nodes degree distribution function

下载: 全尺寸图片幻灯片

图 4 机场基础设施网络服务效率恢复

Figure 4. Recovery of airport infrastructure network service efficiency

下载: 全尺寸图片幻灯片

图 5 单个机场节点失效后网络服务效率变化

Figure 5. Changes of network service efficiency after a single airport failure

下载: 全尺寸图片幻灯片

图 6 机场网络节点服务效率重要度指标

Figure 6. Service efficiency importance index of airport network nodes

下载: 全尺寸图片幻灯片

图 7 关键节点失效下网络韧性最优恢复曲线

Figure 7. Optimal recovery curve of network resilience after key airport nodes failure

下载: 全尺寸图片幻灯片

图 8 关键节点失效下3种恢复策略的网络服务效率时变曲线

Figure 8. Time-varying curves of network service efficiency of three recovery strategies after key node failure

下载: 全尺寸图片幻灯片

图 9 关键节点失效下3种恢复策略的网络服务效率恢复百分比

Figure 9. Recovery percentage of network service efficiency of three recovery strategies after key node failure

下载: 全尺寸图片幻灯片

图 10 华东地区机场失效下网络韧性最优恢复曲线

Figure 10. Optimal recovery curve of network resilience after East China airports failure

下载: 全尺寸图片幻灯片

图 11 华东地区机场失效下恢复策略的效率时变曲线

Figure 11. Time-varying curves of network service efficiency of recovery strategies after East China airports failure

下载: 全尺寸图片幻灯片

图 12 华东地区机场失效下3种恢复策略的网络服务效率

Figure 12. Recovery percentage of network service efficiency in three recovery strategies after East China airports failure

下载: 全尺寸图片幻灯片

图 13 华北西南地区机场失效下网络韧性最优恢复曲线

Figure 13. Optimal recovery curve of network resilience after North China and Southwest China airport failure

下载: 全尺寸图片幻灯片

图 14 多区域机场失效下3种恢复策略的效率时变曲线

Figure 14. Time-varying curves of network service efficiency of three recovery strategies after multi-area airport failure

下载: 全尺寸图片幻灯片

图 15 多区域机场失效下3种恢复策略的网络服务效率恢复百分比

Figure 15. Recovery percentage of network service efficiency in three recovery strategies after multi-area airport failure

下载: 全尺寸图片幻灯片

表 1 机场基础设施网络模型节点度值

Table 1. Degree of airport infrastructure network model nodes

名称	度值	相对中心度	绝对接近中心度	相对接近中心度
上海虹桥机场	12	0.7500	14850	873.5294
上海浦东机场	12	0.7500	15180	892.9411
北京首都机场	14	0.8750	18060	1062.3529
北京大兴机场	13	0.8125	16520	971.7647
南京禄口机场	10	0.6250	10810	635.8823
杭州萧山机场	12	0.7500	14540	855.2941
青岛胶东机场	15	0.9375	16410	965.2941
西安咸阳机场	14	0.8750	15570	915.8823
郑州新郑机场	11	0.6875	9940	584.7058
宁波栎社机场	12	0.7500	13360	785.8823
天津滨海机场	11	0.6875	13800	811.7647
长沙黄花机场	15	0.9375	14330	842.9411
广州白云机场	15	0.9375	21120	1242.3529
深圳宝安机场	15	0.9375	22060	1297.6471
重庆江北机场	14	0.8750	17780	1045.8823
成都天府机场	13	0.8125	19740	1161.1764
成都双流机场	14	0.8750	20870	1227.6471

下载: 导出CSV

表 2 机场基础设施网络模型节点簇系数

Table 2. Cluster coefficient of airport infrastructure network model nodes

序号	名称	簇系数	最大连边数目
1	南京禄口机场	0.8667	45
2	郑州新郑机场	0.8182	55
3	西安咸阳机场	0.8132	91
4	青岛胶东机场	0.8095	105
5	长沙黄花机场	0.8095	105
6	北京大兴机场	0.8077	78
7	上海虹桥机场	0.8030	66
8	上海浦东机场	0.8030	66
9	杭州萧山机场	0.8030	66
10	宁波栎社机场	0.8030	66
11	北京首都机场	0.8021	91
12	天津滨海机场	0.8000	55
13	广州白云机场	0.7714	105
14	深圳宝安机场	0.7714	105
15	重庆江北机场	0.7692	91
16	成都双流机场	0.7692	91
17	成都天府机场	0.7436	78

下载: 导出CSV

表 3 机场网络节点OD数据

Table 3. Airport network nodes OD data

名称	代码	O点流量/人次	D点流量/人次	流量/人次
上海虹桥机场	SHA	91812	91596	183408
上海浦东机场	PVG	42226	39481	81707
北京首都机场	PEK	127805	123568	251373
北京大兴机场	PKX	67271	70381	137652
南京禄口机场	NKG	39586	36925	76511
杭州萧山机场	HGH	81077	74682	155759
青岛胶东机场	TAO	32141	33335	65476
西安咸阳机场	XIY	52614	52288	104902
郑州新郑机场	CGO	25025	25002	50027
宁波栎社机场	NGB	25268	23178	48446
天津滨海机场	TSN	34663	34155	68818
长沙黄花机场	CSX	40089	39899	79988
广州白云机场	CAN	131702	135657	267359
深圳宝安机场	SZX	112395	109381	221776
重庆江北机场	CKG	74002	84562	126559
成都天府机场	TFU	52557	52226	104783
成都双流机场	CTU	66634	70551	137185

下载: 导出CSV

表 4 机场网络模型节点服务效率重要度

Table 4. Service efficiency importance index of airport network model nodes

失效机场	R_S,ij累加	R_S,i(G)	R_NS,i(G)	K_i
CAN	1337029.39	4915.54	0.0428	0.2483
CGO	1684489.03	6192.97	0.0540	0.0530
CKG	1538350.62	5655.70	0.0493	0.1351
CSX	1621535.94	5961.52	0.0520	0.0884
CTU	1593199.06	5857.34	0.0511	0.1043
HGH	1463290.30	5379.74	0.0469	0.1773
NGB	1708344.63	6280.67	0.0548	0.0396
NKG	1653440.54	6078.82	0.0530	0.0704
PEK	1408342.38	5177.72	0.0451	0.2082
PKX	1572915.73	5782.77	0.0504	0.1157
PVG	1654288.49	6081.94	0.0530	0.0700
SHA	1476945.43	5429.94	0.0473	0.1697
SZX	1463005.85	5378.69	0.0469	0.1775
TAO	1625955.02	5977.77	0.0521	0.0859
TFU	1634953.36	6010.85	0.0524	0.0808
TSN	1669315.09	6137.18	0.0535	0.0615
XIY	1592644.72	5855.31	0.0510	0.1046

下载: 导出CSV

表 5 不同指标下的节点重要性排序表

Table 5. Airport nodes importance ranking under different indicators

排序	节点
排序	点度中心性	接近中心性	簇系数	OD流量	服务效率重要度
1	TAO	SZX	NKG	CAN	CAN
2	CSX	CAN	CGO	PEK	PEK
3	CAN	CTU	XIY	SZX	SZX
4	SZX	TFU	TAO	SHA	HGH
5	PEK	PEK	CSX	HGH	SHA

下载: 导出CSV

表 6 降雨强度判定标准

Table 6. Rainfall intensity determination standard

降雨等级	24 h内累计降雨量/mm
小雨	<10
中雨	10～24.9
大雨	25～49.9
暴雨	≥50
大暴雨	≥100

下载: 导出CSV

表 7 网络中各区域机场节点雨水数据

Table 7. Rainwater data of airport nodes in each region

区域划分	机场节点	节点代码	24 h最大降雨量/mm	一周降雨量/mm	区域节点总降雨量/mm
华东地区	上海虹桥机场	SHA	25.38	53.36	356.39
	上海浦东机场	PVG	26.77	66.23
	南京禄口机场	NKG	16.24	54.35
	杭州萧山机场	HGH	25.16	54.96
	青岛胶东机场	TAO	17.48	37.54
	宁波栎社机场	NGB	35.00	89.95
华北地区	北京首都机场	PEK	78.16	125.31	372.00
	北京大兴机场	PKX	92.21	151.46
	天津滨海机场	TSN	40.86	95.23
华中地区	郑州新郑机场	CGO	24.15	41.27	63.35
华中地区	长沙黄花机场	CSX	11.30	22.08	63.35
华南地区	广州白云机场	CAN	42.15	63.02	112.18
华南地区	深圳宝安机场	SZX	37.18	49.16	112.18
西南地区	重庆江北机场	CKG	14.09	57.69	437.77
	成都天府机场	TFU	142.86	271.55
	成都双流机场	CTU	53.63	108.53
西北地区	西安咸阳机场	XIY	29.82	39.23	39.23

下载: 导出CSV

表 8 失效关键节点信息表

Table 8. Information of failed key airport nodes

序号	机场节点	机场等级	度值	流量/人次	重要度
1	上海虹桥机场	枢纽机场	12	183408	0.1697
3	北京首都机场	枢纽机场	14	251373	0.2083
6	杭州萧山机场	干线机场	12	155759	0.1773
13	广州白云机场	干线机场	15	267359	0.2484
14	深圳宝安机场	枢纽机场	15	221776	0.1776

下载: 导出CSV

表 9 3种恢复策略下机场节点恢复次序表

Table 9. Airport nodes recovery sequence of three recovery strategies

恢复策略	机场节点恢复次序	韧性值
基于节点度的优先恢复	CAN→‎SZX→PEK→ SHA→HGH	0.889
基于重要度的优先恢复	CAN→PEK→SZX→ HGH→SHA	0.907
基于网络韧性的优先恢复	PEK→CAN→SZX→ HGH→SHA	0.915

下载: 导出CSV

表 10 华东地区失效机场节点信息

Table 10. Information of failed airport nodes in East China

序号	机场节点	机场等级	度值	流量/人次	重要度
1	上海虹桥机场	枢纽机场	12	183408	0.1697
2	上海浦东机场	枢纽机场	12	81707	0.0700
5	南京禄口机场	干线机场	10	76511	0.0705
6	杭州萧山机场	干线机场	12	155759	0.1773
7	青岛胶东机场	干线机场	15	65476	0.0860
10	宁波栎社机场	干线机场	12	48446	0.0396

下载: 导出CSV

表 11 华东地区机场失效下3种恢复策略下机场节点恢复次序表

Table 11. Airport nodes recovery sequence of three recovery strategies after East China airports failure

恢复策略	机场节点恢复次序	韧性值
基于节点度的优先恢复	TAO→SHA→PVG→ HGH→NGB→NKG	0.871
基于重要度的优先恢复	HGH→SHA→TAO→ NKG→PVG→NGB	0.878
基于网络韧性的优先恢复	PVG→HGH→NKG→ SHA→NGB→TAO	0.889

下载: 导出CSV

表 12 华北地区和西南地区失效节点信息

Table 12. Information of failed airport nodes in North China and Southwest China

序号	机场节点	机场等级	度值	流量/人次	重要度
3	北京首都机场	枢纽机场	14	251373	0.2083
4	北京大兴机场	枢纽机场	13	137652	0.1158
11	天津滨海机场	枢纽机场	11	68818	0.0616
15	重庆江北机场	枢纽机场	14	126559	0.1352
16	成都天府机场	枢纽机场	13	104783	0.0809
17	成都双流机场	枢纽机场	14	137185	0.1044

下载: 导出CSV

表 13 多区域机场失效下3种恢复策略下机场节点恢复次序表

Table 13. Airport nodes recovery sequence of three recovery strategies after multi-area airports failure

恢复策略	机场节点恢复次序	韧性值
基于节点度的优先恢复	PEK→CKG→CTU→ PKX→TFU→TSN	0.838
基于重要度的优先恢复	PEK→CKG→PKX→ CTU→TFU→TSN	0.831
基于网络韧性的优先恢复	PEK→CKG→CTU→ TFU→TSN→PKX	0.854

下载: 导出CSV

参考文献(23)

[1]	中国民用航空局. “十四五”民用航空发展规划[EB/OL]. (2022-01-07)[2023-03-24]. http://www.caac.gov.cn/XXGK/XXGK/FZGH/202201/t20220107_210798.html. Civil Aviation Administration of China. The 14th Five Year Plan for the development of civil aviation[EB/OL]. (2022-01-07) [2023-03-24]. http://www.caac.gov.cn/XXGK/XXGK/FZGH/202201/t20220107_210798.html(in Chinese).
[2]	王兴隆, 赵俊妮, 王进. 恶劣天气下机场离场航班运行韧性评估及恢复[J]. 北京航空航天大学学报, 2024, 50(1): 110-121. Wang X L, Zhao J N, Wang J. Resilience assessment and recovery of airport departure flights under severe weather[J]. Journal of Beijing University of Aeronautics and Astronautics, 2024, 50(1): 110-121(in Chinese).
[3]	Dunn S, Wilkinson S M. Increasing the resilience of air traffic networks using a network graph theory approach[J]. Transportation Research Part E: Logistics and Transportation Review, 2016, 90: 39-50.
[4]	Zhang D M, Du F, Huang H W, et al. Resiliency assessment of urban rail transit networks: Shanghai metro as an example[J]. Safety Science, 2018, 106: 230-243.
[5]	Testa A C, Furtado M N, Alipour A. Resilience of coastal transportation networks faced with extreme climatic events[J]. Transportation Research Record: Journal of the Transportation Research Board, 2015, 2532(1): 29-36.
[6]	黄信, 谭成松, 吴堃, 等. 暴雪灾害下机场基础设施韧性研究[J]. 中国安全科学学报, 2023, 33(12): 198-205. Huang X, Tan C S, Wu K, et al. Study on resilience of airport infrastructure under blizzard weather[J]. China Safety Science Journal, 2023, 33(12): 198-205(in Chinese).
[7]	D’lima M, Medda F. A new measure of resilience: an application to the London Underground[J]. Transportation Research Part A: Policy and Practice, 2015, 81: 35-46.
[8]	Lu Q C. Modeling network resilience of rail transit under operational incidents[J]. Transportation Research Part A: Policy and Practice, 2018, 117: 227-237.
[9]	John A, Yang Z L, Riahi R, et al. A risk assessment approach to improve the resilience of a seaport system using Bayesian networks[J]. Ocean Engineering, 2016, 111: 136-147.
[10]	Ayyub B M. Practical resilience metrics for planning, design, and decision making[J]. ASCE-ASME Journal of Risk and Uncertainty in Engineering Systems, Part A: Civil Engineering, 2015, 1(3): 04015008.
[11]	Bruneau M, Chang S E, Eguchi R T, et al. A framework to quantitatively assess and enhance the seismic resilience of communities[J]. Earthquake Spectra, 2003, 19(4): 733-752.
[12]	李林华. 计及负荷特性的主动配电网分时段故障恢复优化研究[D]. 北京: 北京交通大学, 2019. Li L H. Study on time division service restoration optimization of active distribution network considering load characteristics[D]. Beijing: Beijing Jiaotong University, 2019(in Chinese).
[13]	张冬梅, 孙士尉, 刘昕彤, 等. 遗传算法的舰船电力系统供电恢复研究[J]. 舰船科学技术, 2018, 40(6): 73-75. Zhang D M, Sun S W, Liu X T, et al. Research on power supply recovery of ship power system based on genetic algorithm[J]. Ship Science and Technology, 2018, 40(6): 73-75(in Chinese).
[14]	吕彪, 管心怡, 高自强. 地铁网络服务韧性评估与最优恢复策略[J]. 交通运输系统工程与信息, 2021, 21(5): 198-205. Lyu B, Guan X Y, Gao Z Q. Evaluation and optimal recovery strategy of metro network service resilience[J]. Journal of Transportation Systems Engineering and Information Technology, 2021, 21(5): 198-205(in Chinese).
[15]	黄莺, 刘梦茹, 魏晋果, 等. 基于韧性曲线的城市地铁网络恢复策略研究[J]. 灾害学, 2021, 36(1): 32-36. Huang Y, Liu M R, Wei J G, et al. Research on urban metro network recovery strategy based on resilience curve[J]. Journal of Catastrophology, 2021, 36(1): 32-36(in Chinese).
[16]	张洁斐, 任刚, 马景峰, 等. 基于韧性评估的地铁网络修复时序决策方法[J]. 交通运输系统工程与信息, 2020, 20(4): 14-20. Zhang J F, Ren G, Ma J F, et al. Decision-making method of repair sequence for metro network based on resilience evaluation[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(4): 14-20(in Chinese).
[17]	Yang Z J, Chen X L. Evolution assessment of Shanghai urban rail transit network[J]. Physica A: Statistical Mechanics and its Applications, 2018, 503: 1263-1274.
[18]	Watts D J, Strogatz S H. Collective dynamics of ‘small-world’ networks[J]. Nature, 1998, 393(6684): 440-442.
[19]	Cats O. Topological evolution of a metropolitan rail transport network: The case of Stockholm[J]. Journal of Transport Geography, 2017, 62(1): 172-183.
[20]	Holling C S. Resilience and stability of ecological systems[J]. Annual Review of Ecology and Systematics, 1973, 4(1): 1-23.
[21]	Rose A. Economic resilience to natural and man-made disasters: Multidisciplinary origins and contextual dimensions[J]. Environmental Hazards, 2007, 7(4): 383-398.
[22]	Hosseini S, Barker K, Ramirez-marquez J E. A review of definitions and measures of system resilience[J]. Reliability Engineering and System Safety, 2016, 145(3): 47-61.
[23]	毕玮. 城市地铁车站系统抗火韧性识别与度量研究[D]. 南京: 东南大学, 2020. Bi W. Resilience identification and assessment of urban subway station system to fire disaster[D]. Nanjing: Southeast University, 2020 (in Chinese).